Conjunto de dados de produção para fresamento CNC de cinco eixos com múltiplas trocas | Dados científicos

Jun 24, 2025

Dados Científicos volume 12, Número do artigo: 1067 (2025) Citar este artigo

Detalhes das métricas

Este descritor de dados contém informações sobre um extenso conjunto de dados de produção para um processo de fresamento CNC de cinco eixos. Três produtos geometricamente diferentes foram fabricados e características relevantes do controle numérico da máquina foram registradas. O processo de fabricação registrado contém a preparação da máquina para o próximo produto (troca), bem como o processo de usinagem (produção). A fabricação experimental foi organizada com o auxílio de uma matriz de troca para garantir que todas as combinações possíveis de troca para os três produtos fossem consideradas. A produção foi repetida cinco vezes, resultando em 30 sessões de fabricação e cinco matrizes de troca completas. O conjunto de dados foi registrado em um ambiente de laboratório. Um rico conjunto de características, incluindo o código NC dos produtos, informações da ferramenta e um notebook Jupyter, é fornecido com o conjunto de dados.

Em tempos da quarta revolução industrial (Indústria 4.0), dados completos e transparentes estão se mostrando fatores decisivos para o aumento da eficiência dos processos de produção em empresas de manufatura industrial1. Dados relacionados à manufatura, especialmente para processos específicos como a moagem, são escassos em comparação com o grande número de outros conjuntos de dados em repositórios2. Por esse motivo, este descritor de dados e o conjunto de dados correspondente3 também visam disponibilizar mais dados de produção para fins de pesquisa.

Os dados foram registrados em março de 2024, durante três dias, no laboratório de máquinas-ferramenta da Universidade Técnica de Ciências Aplicadas de Würzburg-Schweinfurt. O conjunto de dados3 provém da produção experimental de uma fresadora de cinco eixos. Uma produção industrial com máquina-ferramenta não consiste apenas no processo de usinagem em que a peça é criada geometricamente. No contexto da tecnologia de produção e manufatura, o termo "troca" descreve todas as atividades necessárias para configurar uma máquina ou sistema de produção para uma ordem de produção subsequente e retorná-la ao seu estado original4. O processo de troca inclui todas as atividades preparatórias e subsequentes, incluindo a desmontagem de ferramentas e dispositivos anteriores, a instalação e configuração de novas ferramentas, a realização de testes, ajustes finos e atividades de limpeza (Fig. 1). A troca é geralmente conduzida por um operador que interage com as máquinas de fabricação. Durante essa interação, vários componentes de tempo específicos podem ser identificados, como o tempo básico de troca ou o tempo de descanso de troca5 (S. 1642). O conjunto de dados registrados3 abrange todo o processo de produção, que inclui troca e usinagem.

Visualização da troca e produção segundo McIntosh et al.19.

Para a produção experimental, três produtos foram selecionados para registrar as atividades de troca e produção. Os três produtos são mostrados na Figura 2: um chaveiro (Produto A), um abridor de garrafas (Produto B) e uma representação do sistema de coordenadas (Produto C). Todos diferem nas ferramentas utilizadas, no tempo de troca e no tempo de produção. O código NC subjacente para o processo de usinagem, bem como as especificações das ferramentas, são fornecidos como material externo6 ao conjunto de dados3. A produção experimental foi realizada em um ambiente de laboratório da universidade por engenheiros de laboratório.

Produtos escolhidos para o conjunto de dados3: chaveiro (Produto A), um abridor de garrafas (Produto B) e uma representação de sistema de coordenadas (Produto C).

Em pesquisas anteriores, um primeiro conjunto de dados7 foi publicado2. O foco deste conjunto de dados7 foi publicar dados de fabricação em condições reais, em uma produção industrial em dois turnos. Durante treze sessões de fabricação, foram registrados dados de fabricação de 13 produtos diferentes. A fabricação estava relacionada a pedidos de clientes existentes que não se repetiam. A produção foi realizada por operadores treinados da equipe da empresa. O número de recursos foi limitado a 20 por uma abordagem de seleção de recursos, assim como o número de rótulos para as fases de produção foi limitado a três para facilitar a usabilidade do conjunto de dados7.

Para superar as limitações mencionadas, um novo conjunto de dados3 foi preparado, descrito neste artigo. A Tabela 1 compara o conjunto de dados7 publicado anteriormente (esquerda) com o novo conjunto de dados3 (direita). No novo conjunto de dados3, todos os três produtos foram fabricados seis vezes, incluindo sequências de usinagem e troca. Isso resulta em 30 sessões de fabricação excedendo as 13 sessões do antigo conjunto de dados7. Do conjunto de recursos disponível, apenas os recursos que não mostraram conteúdo de informação foram excluídos do conjunto de recursos para permitir que os pesquisadores projetassem sua abordagem de seleção de recursos a partir dos 170 recursos disponíveis do conjunto de dados3. Enquanto no antigo conjunto de dados7 os rótulos para as diferentes fases do processo de troca e produção foram divididos em 2, 6 e 23 fases, neste conjunto de dados3 o processo oferece muitos conjuntos de rótulos diferentes com até 73 possíveis subfases definidas. Os conjuntos de rótulos e as subfases correspondentes foram derivados de uma descrição detalhada do processo de troca, disponível como material externo no GitHub6. Além do processo de troca, informações sobre o processo de usinagem também estão disponíveis por meio do código NC fornecido para os três produtos.

O conjunto de dados apresentado3 pode ser usado para modelar as relações técnicas do processo de produção entre os 170 recursos registrados. Como a fase de transição da produção é rica em atividades do operador humano em relação à máquina de fabricação, o conjunto de dados pode ser usado para modelar as interações homem-máquina. Nesse caso, os diversos conjuntos de rótulos para as diferentes fases da produção podem ser úteis, bem como informações detalhadas sobre o próprio procedimento de transição. A seção "Exemplos de aplicação" apresenta dois exemplos correspondentes do trabalho de pesquisa dos autores.

O conceito de matriz de transição é explicado na próxima subseção. Nas seções subsequentes, são descritos o processo de coleta de dados, o pré-processamento e a rotulagem dos dados.

Para entender a estrutura do conjunto de dados3, é importante entender o conceito de uma matriz de troca. Uma matriz de troca representa todos os processos de troca de uma máquina e seus respectivos tempos médios reais de troca de forma transparente. A matriz de troca mostrada na Tabela 2 é um exemplo dos tempos de troca entre três produtos diferentes de uma máquina fictícia, com os tempos dados em minutos. A matriz de troca mapeia todas as sequências de configuração possíveis de um produto para o próximo. Os valores na diagonal principal são normalmente zero, pois nenhum processo de configuração é necessário para o mesmo produto. Para maior clareza, essas entradas são marcadas com um X. Os outros valores na matriz representam os tempos reais de troca necessários para trocar a máquina de um produto para outro. Por exemplo, a troca do produto A para o produto B leva 200 minutos, enquanto a troca do produto B para o produto C leva 175 minutos. Essa forma de representação permite identificar rapidamente as operações de troca com tempos de troca curtos ou longos e, assim, tomar decisões direcionadas sobre quais operações de troca devem ser priorizadas ou evitadas no planejamento da produção. No software de planejamento de recursos empresariais (ERP) SAP, a matriz de configuração é usada para modelar com precisão os tempos e custos de configuração dependentes da sequência, permitindo que a sequência ideal de operações de produção seja determinada e que as operações de produção sejam projetadas de forma mais eficiente8.

A produção experimental subjacente a este conjunto de dados3 é organizada de acordo com a matriz de troca, conforme mostrado na Tabela 2. Três produtos são produzidos. No entanto, a produção foi organizada de forma que todas as seis combinações possíveis de troca entre os três produtos fossem registradas e uma matriz de troca completa fosse estabelecida. Essa sequência foi repetida cinco vezes por razões estatísticas e resultou em 30 sessões de fabricação com cinco matrizes de troca completas.

A fresadora de cinco eixos Spinner U5-620 foi construída em 2016 e está equipada com um comando Siemens 840D-SL. Esta máquina foi projetada para a produção de peças de precisão em diversos setores industriais, como aeroespacial, automotivo e ferramentaria. A máquina possui cinco eixos, incluindo três eixos lineares e dois eixos rotativos. Os percursos dos eixos lineares e as faixas de rotação dos eixos rotativos da mesa rotativa/inclinável são descritos em detalhes a seguir9 (p. 7-96):

Eixo X (eixo linear): Movimento máximo 620 mm de -365 mm a + 255 mm

Eixo Y (eixo linear): Movimento máximo de 520 mm de -296 mm a + 224 mm

Eixo Z (eixo linear): Movimento máximo de 460 mm de 150 mm acima da mesa a 610 mm acima da mesa

Eixo B (eixo de rotação): Faixa de rotação de 200∘ de -90∘ a + 110∘

Eixo C (eixo de rotação): permite rotação completa de 360°

Os dados do controle numérico (NC) da máquina são adquiridos por uma interface "uaGate 840D" da Softing, integrada ao gabinete elétrico da máquina. O "uaGate 840D" coleta dados tanto do kernel de controle numérico (NCK) quanto do controlador lógico programável (CLP) usando o protocolo SIMATIC S7. Um subconjunto dos recursos disponíveis foi selecionado para ser transmitido a um banco de dados. A seleção foi baseada nos recursos da pesquisa anterior, que foi expandida para incluir informações sobre o magazine de ferramentas, eixos e acionamento. Os dados eram enviados em um intervalo de 1 s somente se o valor fosse alterado.

Conforme mostrado na Figura 3, o gateway atua como um publicador MQTT que encaminha os dados de máquina recebidos do controlador para o broker MQTT Mosquitto. O broker Mosquitto recebe as mensagens enviadas pelo gateway e desempenha um papel central na configuração da comunicação, disponibilizando os dados recebidos aos assinantes. No presente caso de uso, os dados são coletados e processados pelo aplicativo Telegraf Agent, que atua como um assinante MQTT, e então armazenados em um banco de dados InfluxDB.

Arquitetura de comunicação para aquisição de dados.

Os dados registrados foram exportados do banco de dados como um arquivo CSV. O pré-processamento de dados começa com o preenchimento da primeira linha de todos os arquivos para que as informações de todos os recursos estejam completas. Alguns recursos podem ter valores ausentes, por exemplo, quando nenhuma ferramenta está atualmente no fuso ou quando nenhuma linha de código NC está sendo executada. Esses valores NaN foram retidos enquanto as entradas ausentes foram preenchidas com o último valor válido para outros recursos. Posteriormente, os dados foram rotulados usando os carimbos de data/hora dos arquivos CSV e da gravação manual. Um total de 10 rótulos distintos são identificados, conforme detalhado nas Tabelas 3, 4, 5 e 6. A Tabela 3 lista os diferentes conjuntos de rótulos. As Tabelas 4, 5 e 6 mostram os números de classe e a descrição de todos os conjuntos de rótulos.

A próxima etapa envolveu a remoção das características que não apresentaram variação de valor ao longo de toda a gravação, restando 170 características. Esse número de características é consideravelmente maior do que em estudos anteriores, devido à inclusão de informações separadas sobre acionamento e ferramenta. No total, 52.026 linhas de dados estão disponíveis. As características consistem no seguinte:

Porta, avanço rápido, programa e status do líquido de arrefecimento

Taxa de avanço, posições, erros de posição para cada eixo

Tempo total de execução e tempo de execução do programa

Conteúdo da linha do programa, número e caminho do programa com nome do programa

Velocidade do fuso

Corrente, torque, profundidade de modulação, temperatura, potência ativa, tensão do circuito, velocidade para cada eixo

Informações da ferramenta

Esta máquina possui sete eixos: X, Y, Z, B, C (veja acima), o fuso e o sistema de troca de ferramentas. Uma descrição detalhada dos recursos, incluindo tipo de dado, intervalo de valores e unidade, pode ser encontrada no GitHub6.

A Tabela 7 mostra os registros de data e hora de início e término de cada matriz de transição.

A Tabela 8 mostra todas as ferramentas utilizadas na fabricação dos três produtos. As três últimas ferramentas não foram utilizadas na produção; apenas a 'BLUM_REINIGUNGSKOPF' foi utilizada uma vez para limpar a câmara de fabricação devido à sujeira intensa.

Os dados são armazenados em um arquivo com uma frequência de gravação de 1s e podem ser encontrados em um repositório Zenodo3.

O produto A é o último produto produzido antes do início de cada matriz de transição. A sequência de produção para cada matriz de transição é a seguinte: B, C, B, A, C, A.

Os Registros de Dados são estruturados como uma tabela e armazenados como um arquivo CSV, utilizando uma vírgula como separador. As duas primeiras colunas contêm um índice e um carimbo de data/hora no formato AAAA-MM-DD HH:MM:SS. As 170 colunas seguintes contêm todos os recursos, com pontos decimais indicados por um ponto ('.'). Os valores booleanos são representados por 'Verdadeiro' e 'Falso'. As últimas dez colunas contêm os rótulos como valores numéricos. Cada uma dessas colunas de rótulo corresponde a um conjunto de rótulos específico, explicado na seção 'Pré-processamento de dados'.

A Tabela 9 contém uma breve descrição do material externo armazenado no GitHub6. Um fluxograma de todo o processo de transição está disponível lá, bem como o código NC para os três produtos fabricados, informações detalhadas sobre as ferramentas utilizadas listadas na Tabela 8 e uma lista de interrupções (consulte também a seção "Irregularidades de dados" abaixo) e uma lista de recursos com descrição completa (consulte também a seção "Pré-processamento de dados" acima). Um notebook do Jupyter mostra como usar o conjunto de dados, incluindo o pré-processamento básico (consulte também a seção "Exemplo de código" abaixo).

Em pesquisas anteriores, os autores trabalharam na detecção de subfases do processo de transição10. Descobriu-se que, quanto mais subfases são detectadas, pior é o desempenho dos algoritmos de aprendizado de máquina. Com um número crescente de subfases a serem detectadas, a quantidade de dados nas classes individuais do processo de aprendizado tornou-se desequilibrada. O desequilíbrio é um problema conhecido para algoritmos de aprendizado de máquina; portanto, o desequilíbrio do conjunto de dados3 será avaliado na próxima seção.

O objetivo do conjunto de dados3 apresentado também foi aprimorar a validade estatística por meio da repetição dos experimentos. Embora os engenheiros de laboratório tenham sido treinados previamente, um efeito de "curva de aprendizado" pode ser observado nos dados. Esse efeito é analisado na seção correspondente.

Em pesquisas anteriores, os autores demonstraram que a rotulagem de dados pode afetar a abordagem de aprendizado de máquina, visto que os algoritmos podem ser afetados por contagens desbalanceadas de classes11. Dependendo do número de pontos de dados na classe, os algoritmos podem não ser capazes de separar com precisão essas classes das demais. A seguir, a palavra "fase" é usada como sinônimo de "classe".

A Figura 4 mostra as frequências das fases individuais para a abordagem com duas fases de transição (Label_03). Pode-se observar que há mais que o dobro de fases de transição do que fases de produção no conjunto de dados3. Devido a recursos limitados, apenas um produto em série foi fabricado na máquina durante a fase de "Produção". Isso equivale a um tamanho de lote de ordem de fabricação de "1". Como a produção da máquina é determinística, é possível duplicar os pontos de dados das fases de "Produção" dependendo do tamanho de lote desejado e complementar o conjunto de dados3 adequadamente. Além da abordagem de sobreamostragem descrita, outras técnicas, como classificadores sensíveis ao custo, podem ser utilizadas12.

Ocorrências em 2 fases (Label_03).

A Figura 5 mostra as frequências das fases individuais para a abordagem com 12 fases de troca (Label_08). Ela também mostra que as fases de troca ocorrem com mais frequência do que as fases de produção (números ímpares: fases de troca, números pares: fases de produção). Essa discrepância é particularmente clara nas fases 2, 4, 6 e 8, que descrevem as fases de produção dos produtos A e B. Elas são menores do que o número de fases de produção do produto C. Em todos os registros, há uma média de 1.246 pontos de dados, incluindo interrupções para cada processo de produção do produto C, há 238 contagens para o produto B e 83 ocorrências para o produto A. Como, conforme descrito acima, apenas um produto pôde ser fabricado após a conclusão de cada processo de troca, esse número de fases de produção é um resultado esperado. Outra razão para o alto número de fases de transição no conjunto de dados3 é que, como mostrado na Fig. 1, a fase de aceleração, ou seja, a produção do primeiro produto, é considerada parte da fase de configuração.

Ocorrências em 12 fases (Label_08).

A Figura 6 mostra as frequências das fases individuais para a abordagem com 43 fases de comutação (Label_10). As fases que consistem apenas em abrir e fechar a porta têm poucas ocorrências (Fases 1, 12, 14, 16, 17, 19, 21, 23, 43). A execução do código NC durante a comutação (Fase 26) e a Produção (Fase 40) tem o maior número de ocorrências (aproximadamente 15.000).

Ocorrências em 43 fases (Rótulo_10).

A Figura 7 mostra as frequências das fases individuais para a abordagem com 73 fases de troca (Rótulo_01). Assim como nas ocorrências da abordagem de 43 fases (Rótulo_10), as fases de abertura e fechamento de portas têm poucas ocorrências, especialmente as fases 26 e 28, pois ocorrem apenas para atividades de troca em que o produto C foi produzido anteriormente. Isso ocorre porque há mais ferramentas necessárias para produzir o produto C e todas as ferramentas desnecessárias para o novo produto são removidas da máquina.

Ocorrências em 73 fases (Label_01).

A Figura 8 mostra a duração dos processos de transição para cada matriz de transição completa. As durações da combinação individual de transição são mostradas para cada matriz de transição. Observa-se que os processos de transição na matriz de transição '1' apresentam consistentemente as maiores durações, exceto o processo de transição 'A para B'. Há duas explicações possíveis:

Efeito da curva de aprendizado.

Durante a execução da primeira matriz de troca, houve uma interrupção mais longa durante a troca de 'B para C' e também de 'A para C', aumentando fortemente as durações totais.

À medida que o número de repetições das operações de fabricação realizadas aumenta, surge a chamada "curva de aprendizado". Esse fenômeno, também conhecido como "aprender fazendo", descreve como o desempenho é continuamente aprimorado por meio da execução repetida de uma etapa de trabalho13 (p. 423). O termo "efeito da curva de experiência" também é usado na literatura para descrever o potencial de redução de custos unitários em 20 a 30% a cada duplicação do volume acumulado de produção. Além dos avanços tecnológicos, isso também se baseia em efeitos de aprendizado que levam a aumentos de produtividade14 (p. 115 e seguintes). Para a troca de turnos, isso significa que o funcionário se torna cada vez mais familiarizado com os processos a cada troca realizada, o que encurta o tempo de troca e pode estender o tempo de produção.

Uma redução nos tempos de transição da matriz de transição '1' para '2' pode ser claramente identificada para as transformações 'C para B' e 'B para A', e ligeiramente para 'C para A' (ver Figura 8). Apesar de instruções e treinamento prévios, o engenheiro de laboratório ainda não estava totalmente familiarizado com os procedimentos. Um dos motivos pode ser que, diferentemente de trabalhadores industriais experientes, os engenheiros de laboratório em universidades não realizam atividades de transição diariamente.

Se o conjunto de dados3 for usado para modelar os tempos de transição, os autores recomendam não usar a primeira e possivelmente também a segunda matriz de transição, nem corrigir o conjunto de dados usando técnicas de interpolação. Como o "efeito da curva de aprendizado" é relevante e conhecido, os dados relevantes foram mantidos inalterados no conjunto de dados3.

Como todas as interrupções são rotuladas no conjunto de dados 3, também é possível excluí-las durante o pré-processamento. Consulte Label_06 e Label_07 e a descrição correspondente de irregularidades de dados no material do GitHub 6.

O conjunto de dados3 está disponível na plataforma Zenodo. O material externo está disponível na plataforma GitHub6. A licença para o conjunto de dados3 e todo o material externo é Creative Commons Attribution 4.0 International15. Os pesquisadores são livres para compartilhar e adaptar o conjunto de dados apresentado, mas devem dar crédito aos autores com uma referência, fornecer um link para a licença e indicar alterações no conjunto de dados3 original e outros materiais adicionais.

Em pesquisas anteriores, os autores trabalharam em diferentes exemplos de aplicação com um conjunto de dados mais antigo7 (ver Tabela 1):

Um exemplo de aplicação é a previsão da demanda energética de comandos G básicos a partir do código NC. Aqui, a Amostragem de Hipercubo Latino é usada como um método eficiente de Planejamento de Experimentos para treinar um modelo de aprendizado de máquina para a previsão16.

Outro exemplo da aplicação do conjunto de dados3 é a detecção automática da atividade de troca humana a partir dos dados de NC. Não é necessário feedback manual adicional do operador. Diversos modelos de aprendizado de máquina foram analisados quanto à sua capacidade de detectar trocas com precisão. Também foi analisado se as subfases do processo de troca podem ser detectadas apenas a partir dos dados de NC da máquina. Diferentes técnicas de aprendizado de máquina foram avaliadas, como florestas aleatórias ou redes neurais10.

Essa detecção automática de troca também pode ser realizada aplicando técnicas de aprendizado de máquina de séries temporais para classificar fases da troca de máquina17.

Embora os autores tenham aplicado um conjunto de dados existente7, os exemplos de aplicação também são válidos para o novo conjunto de dados3. Os autores estão atualmente trabalhando na validação dos resultados da pesquisa anterior com o novo conjunto de dados3. O exemplo de aplicação de classificação do Label_03 com aprendizado de máquina foi escolhido como exemplo de código para a aplicação do novo conjunto de dados3 (consulte a seção "Exemplo de código").

Embora cuidadosamente planejado e executado, mesmo na produção em laboratório, podem ocorrer desvios do processo ideal de fabricação. Geralmente, ocorrem desvios no processo de produção, envolvendo pessoas. No caso desta produção de amostra, trata-se do processo de troca. O processo de produção subsequente, por outro lado, é executado na fresadora utilizando um programa NC determinístico e não está sujeito à influência humana, desde que o programa NC tenha sido testado previamente e esteja dentro dos parâmetros de produção verificados da máquina.

Os processos de troca da máquina para a produção dos três produtos foram resumidos e abstraídos em um processo de troca padrão. Uma descrição desse padrão de troca está publicada no GitHub6. As falhas no processo de configuração foram documentadas e os pontos de dados foram claramente identificados de acordo. A documentação dos desvios individuais e os nomes dos rótulos correspondentes também estão disponíveis no GitHub6.

Como desvios dos procedimentos planejados também ocorrem na produção em série, onde também são vistos como uma fonte de potenciais melhorias18, decidiu-se manter as falhas no conjunto de dados3. Recomenda-se que o usuário corrija os desvios ou os filtre do conjunto de dados3 usando os rótulos correspondentes.

O notebook Jupyter incluído nos materiais externos serve como exemplo de aplicação de técnicas de aprendizado de máquina ao conjunto de dados3. Inicialmente, os dados são importados e as colunas booleanas e de string são convertidas em formatos numéricos. Os valores ausentes são substituídos por zeros. Posteriormente, o conjunto de dados3 é particionado em subconjuntos de treinamento e teste e padronizado. A etapa final envolve o treinamento de um modelo de Floresta Aleatória e a avaliação de seu desempenho no conjunto de teste6.

O código Python para pré-processamento simples e treinamento de uma Random Forest pode ser encontrado em um notebook Jupyter no GitHub: https://github.com/ElMoe/Production-Data-Set-for-Five-Axis-CNC-Milling-with-Multiple-Changeovers.

Ahlfeld, M. et al. Tema principal: Dados no contexto da Indústria 4.0. Em Ministério Federal de Economia e Energia (BMWi) (org.) Tema principal: Dados no contexto da Indústria 4.0 (Spreedruck Berlin GmbH, 2016).

Schmitt, A.-M. & Engelmann, B. Um conjunto de dados de produção em série para fresamento CNC de cinco eixos. Dados 9, https://doi.org/10.3390/data9050066 (2024).

Engelmann, B., Schmitt, A.-M. & Martinez, M. Conjunto de dados de produção para fresamento CNC de cinco eixos com múltiplas trocas. Zenodo, V1.0.0, https://doi.org/10.5281/zenodo.14094887 (2024).

Störmer, O. & Stowasser, S. Engenharia Industrial - Métodos padrão para aumentar a produtividade e otimização de processos (Carl Hanser Verlag GmbH & Company KG, 2015).

Böge, A. et al. Manual de Engenharia Mecânica: Fundamentos e Aplicações da Tecnologia de Engenharia Mecânica https://books.google.de/books?id=KRaSzQEACAAJ (Springer Fachmedien Wiesbaden, 2021).

Engelmann, B. & Schmitt, A.-M. ElMoe/Conjunto-de-dados-de-produção-para-fresamento-CNC-de-cinco-eixos-com-múltiplas-trocas. https://github.com/ElMoe/Conjunto-de-dados-de-produção-para-fresamento-CNC-de-cinco-eixos-com-múltiplas-trocas (2025).

Engelmann, B. & Schmitt, A.-M. Conjunto de dados de produção em série para fresamento CNC de 5 eixos. Zenodo, V1.0.0 https://doi.org/10.5281/zenodo.10853254 (2024).

SAP AG. Dados mestres para planejamento da produção. https://help.sap.com/doc/saphelp_scm700_ehp02/7.0.2/en-US/8e/4ec95360267614e10000000a174cb4/frameset.htm [Online; acessado em 23 de setembro de 2024] (2024).

SPINNER Werkzeugmaschinenfabrik GmbH. Centro de usinagem universal U3/U4/U5-620/1520 V2 com controle Siemens 840Dsl. SPINNER Werkzeugmaschinenfabrik GmbH.

Engelmann, B., Schmitt, A.-M., Theilacker, L. & Schmitt, J. Implicações de ambientes de dispositivos legados no design conceitual de modelos de aprendizado de máquina na manufatura. Journal of Manufacturing and Materials Processing 8, https://doi.org/10.3390/jmmp8010015 (2024).

Engelmann, B. et al. Detectando eventos de transição em máquinas de manufatura com aprendizado de máquina e dados NC. Applied Artificial Intelligence 38, 2381317, https://doi.org/10.1080/08839514.2024.2381317 (2024).

Artigo Google Acadêmico

Haixiang, G. et al. Aprendendo com dados desbalanceados por classe: Revisão de métodos e aplicações. Sistemas especialistas com aplicações 73, 220–239 (2017).

Artigo Google Acadêmico

Glock, CH, Grosse, EH, Jaber, MY e Smunt, TL Aplicações de curvas de aprendizagem na gestão da produção e das operações: uma revisão sistemática da literatura. Computers & Industrial Engineering 131, 422–441 (2019).

Artigo Google Acadêmico

Gabath, C. Garantia de lucro em compras: redução sustentável de custos sem redução de pessoal (Gabler Verlag, 2008). https://books.google.de/books?id=lPo7U1MEOZIC.

Creative Commons. Cc by 4.0, atribuição 4.0 internacional. https://creativecommons.org/licenses/by/4.0/deed.en (2024). [Online; acessado em 21 de março de 2024].

Schmitt, A.-M., Miller, E., Engelmann, B., Batres, R. & Schmitt, J. Avaliação de código G em fresamento CNC para prever o consumo de energia por meio de aprendizado de máquina. Advances in Industrial and Manufacturing Engineering 8, 100140 (2024).

Artigo Google Acadêmico

Schmitt, A.-M., Antonov, A., Schmitt, J. & Engelmann, B. Classificação das fases do processo de produção com técnicas de séries temporais multivariadas. 22ª Conferência Internacional sobre Pesquisa e Educação em Mecatrônica (REM), 2024, 210–217 (IEEE, 2024).

Equipe de Desenvolvimento da Productivity Press. Trabalho Padrão para o Chão de Fábrica. Série Chão de Fábrica. https://books.google.de/books?id=ye7gwAEACAAJ (Taylor & Francis, 2002).

Mclntosh, R., Culley, S., Mileham, A. & Owen, G. Melhorando o desempenho da mudança (Butterworth-Heinemann, 2001).

Baixar referências

Os autores agradecem à equipe do Laboratório de Máquinas da Faculdade de Engenharia Mecânica por suas contribuições à pesquisa. A publicação é financiada pelo fundo de publicações da Universidade Técnica de Ciências Aplicadas de Würzburg-Schweinfurt.

Financiamento de acesso aberto habilitado e organizado pelo Projekt DEAL.

Universidade Técnica de Ciências Aplicadas Würzburg-Schweinfurt, Instituto de Engenharia Digital (IDEE), Schweinfurt, 97421, Alemanha

Mário Martínez, Anna-Maria Schmitt, Andreas Schiffler e Bastian Engelmann

Pesquisar autor em:PubMed Google Acadêmico

Pesquisar autor em:PubMed Google Acadêmico

Pesquisar autor em:PubMed Google Acadêmico

Pesquisar autor em:PubMed Google Acadêmico

Conceitualização e Metodologia: MM, A.-MS e BE; Software: A.-MS e AS; Hardware: AS; Validação: A.-MS e BE; Análise formal: BE e A.-MS; Recursos, BE; Curadoria de dados: A.-MS; Redação — preparação do rascunho original: MM, A.-MS e BE; Redação — revisão e edição, A.-MS e BE; Visualização: MM e A.-MS; Supervisão e Administração do Projeto: BE; Aquisição de financiamento: BE Todos os autores revisaram o manuscrito.

Correspondência para Bastian Engelmann.

Os autores declaram não haver conflitos de interesse.

Nota do editor A Springer Nature permanece neutra em relação a reivindicações jurisdicionais em mapas publicados e afiliações institucionais.

Acesso Aberto Este artigo está licenciado sob uma Licença Internacional Creative Commons Atribuição 4.0, que permite o uso, compartilhamento, adaptação, distribuição e reprodução em qualquer meio ou formato, desde que você dê os devidos créditos ao(s) autor(es) original(is) e à fonte, forneça um link para a licença Creative Commons e indique se alterações foram feitas. As imagens ou outros materiais de terceiros neste artigo estão incluídos na licença Creative Commons do artigo, a menos que indicado de outra forma em uma linha de crédito ao material. Se o material não estiver incluído na licença Creative Commons do artigo e o uso pretendido não for permitido por regulamentação legal ou exceder o uso permitido, você precisará obter permissão diretamente do detentor dos direitos autorais. Para ver uma cópia desta licença, visite http://creativecommons.org/licenses/by/4.0/.

Reimpressões e permissões

Martinez, M., Schmitt, AM., Schiffler, A. et al. Conjunto de dados de produção para fresamento CNC de cinco eixos com múltiplas trocas. Sci Data 12, 1067 (2025). https://doi.org/10.1038/s41597-025-05294-0

Baixar citação

Recebido: 18 de novembro de 2024

Aceito: 22 de maio de 2025

Publicado: 23 de junho de 2025

DOI: https://doi.org/10.1038/s41597-025-05294-0

Qualquer pessoa com quem você compartilhar o seguinte link poderá ler este conteúdo:

Desculpe, um link compartilhável não está disponível no momento para este artigo.

Fornecido pela iniciativa de compartilhamento de conteúdo Springer Nature SharedIt